Fugu-MT 論文翻訳(概要): Mars Image Content Classification: Three Years of NASA Deployment and Recent Advances

論文の概要: Mars Image Content Classification: Three Years of NASA Deployment and Recent Advances

arxiv url: http://arxiv.org/abs/2102.05011v1
Date: Tue, 9 Feb 2021 18:26:25 GMT
ステータス: 処理完了
システム内更新日: 2021-02-10 15:07:11.145502
Title: Mars Image Content Classification: Three Years of NASA Deployment and Recent Advances
Title（参考訳）: 火星画像の分類:NASAの3年間の展開と最近の進歩
Authors: Kiri Wagstaff (1), Steven Lu (1), Emily Dunkel (1), Kevin Grimes (1), Brandon Zhao (2), Jesse Cai (3), Shoshanna B. Cole (4), Gary Doran (1), Raymond Francis (1), Jake Lee (1), and Lukas Mandrake (1) ((1) Jet Propulsion Laboratory, California Institute of Technology, (2) Duke University, (3) California Institute of Technology, (4) Space Science Institute)
Abstract要約: 火星画像のコンテンツに基づく分類と検索機能を開発し,展開する。火星ミッションで収集された画像に対する2つのCNN分類器の訓練、評価、校正、展開のプロセスについて述べる。利用統計、学習した教訓、今後の計画を含む3年間の展開について報告する。
参考スコア（独自算出の注目度）: 0.431223999943929
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The NASA Planetary Data System hosts millions of images acquired from the planet Mars. To help users quickly find images of interest, we have developed and deployed content-based classification and search capabilities for Mars orbital and surface images. The deployed systems are publicly accessible using the PDS Image Atlas. We describe the process of training, evaluating, calibrating, and deploying updates to two CNN classifiers for images collected by Mars missions. We also report on three years of deployment including usage statistics, lessons learned, and plans for the future.
Abstract（参考訳）: NASA Planetary Data Systemは、火星から取得した数百万の画像をホストします。興味のある画像の迅速な発見を支援するために,火星の軌道画像と表面画像のコンテンツに基づく分類と検索機能を開発し,展開した。デプロイされたシステムは、PDS Image Atlasを使用して公開アクセスできる。火星ミッションで収集された画像に対する2つのCNN分類器の訓練、評価、校正、展開のプロセスについて述べる。また、利用統計、教訓、将来の計画を含む3年間の展開についても報告しています。

関連論文リスト

Interactive Mars Image Content-Based Search with Interpretable Machine Learning [5.370310770047478]
NASAのプラネタリー・データ・システム(PDS)は、多くのミッションを通じて収集された何百万もの惑星、衛星、その他の天体の画像をホストしている。我々はプロトタイプベースのアーキテクチャを活用し、火星科学研究所のキュリオシティ・ローバー・ミッションの画像に基づいて訓練された分類器が使用するエビデンスを理解し、検証できるようにする。本稿で紹介する作業は、PSDイメージ・アトラスに展開され、解釈不能なものを置き換える。
論文参考訳（メタデータ） (2024-01-19T18:19:40Z)
Mapping "Brain Terrain" Regions on Mars using Deep Learning [0.0]
臨界領域のセットは、火星の斜視の周期的な変化に反応して、比較的最近に氷が噴出するサイクルを見た可能性がある。本研究では、畳み込みニューラルネットワークを用いて「ブラインコーラル」地形を含む表面領域を検出する。火星探査機マーズ・リコネッサンス・オービター(Mars Reconnaissance Orbiter)の大型画像(100-1000メガピクセル)を使って、これらの地形を1ピクセルあたり数十センチ近い解像度で探索する。
論文参考訳（メタデータ） (2023-11-21T02:24:52Z)
Enabling Astronaut Self-Scheduling using a Robust Advanced Modelling and Scheduling system: an assessment during a Mars analogue mission [44.621922701019336]
アナログ宇宙飛行士の乗組員によるコンピュータ意思決定支援ツールの使用について検討した。提案されたツールはRomieと呼ばれ、Robost Advanced Modelling and Scheduling (RAMS)システムの新しいカテゴリに属している。
論文参考訳（メタデータ） (2023-01-14T21:10:05Z)
MaRF: Representing Mars as Neural Radiance Fields [1.4680035572775534]
MARFは火星の環境を合成するためのフレームワークで、ローバーカメラの画像を何枚か集めている。惑星地質学、シミュレートされた航法、形状解析などの惑星表面探査における重要な課題に対処する。実験では,キュリオシティ・ローバー,パーセヴァンス・ローバー,インジェニティ・ヘリコプターによって捕獲された火星の実際のデータセットから生成された環境を実証した。
論文参考訳（メタデータ） (2022-12-03T18:58:00Z)
SpaceQA: Answering Questions about the Design of Space Missions and Space Craft Concepts [57.012600276711005]
宇宙ミッション設計における最初のオープンドメインQAシステムであるSpaceQAについて述べる。 SpaceQAは、欧州宇宙機関(ESA)による、宇宙ミッションの設計に関する情報のアクセス、共有、再利用を容易にするイニシアチブの一部である。
論文参考訳（メタデータ） (2022-10-07T09:41:39Z)
Mars Rover Localization Based on A2G Obstacle Distribution Pattern Matching [0.0]
NASAのMars 2020ミッションでは、Ingenuityヘリコプターがローバーと共に運ばれる。従来の画像マッチング手法は、有効な画像対応を得るのに苦労する。画像に基づく岩盤検出と岩盤分布パターンマッチングを組み合わせたアルゴリズムを用いて、A2G画像対応を得る。
論文参考訳（メタデータ） (2022-10-07T08:29:48Z)
xView3-SAR: Detecting Dark Fishing Activity Using Synthetic Aperture Radar Imagery [52.67592123500567]
世界の漁業は海洋資源や生態系に大きな脅威をもたらす。夜間または夜間、全天候下で暗黒船の自動検出が可能となった。 xView3-SARは、Sentinel-1ミッションから得られた1000近い分析可能なSAR画像で構成されている。
論文参考訳（メタデータ） (2022-06-02T06:53:45Z)
Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。提案手法による事前学習では, 25%の絶対mIoUが得られた。学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
論文参考訳（メタデータ） (2022-03-11T16:14:14Z)
Machine Learning for Mars Exploration [0.0]
火星探査の一部は、火星探査機マーズ・エクスプレス・オービター(Mars Express Orbiter)やマーズ・ローバー(Mars rovers)などの宇宙船による火星データの自動収集と分析を通じて行われた。これらの火星探査宇宙船や地球上で、これらの車両が収集したデータを分析するために使われる自律性は、主に機械学習から成り立っている。火星探査のための機械学習技術のさらなる応用は、惑星間探査の通信制限と人間のリスクを解決する可能性がある。
論文参考訳（メタデータ） (2021-11-22T21:11:42Z)
Towards Robust Monocular Visual Odometry for Flying Robots on Planetary Missions [49.79068659889639]
火星に着陸したばかりのIngenuityは、トラバーサビリティの影響を受けない新時代の探検の始まりとなるでしょう。高速な光フロートラッキングを用いた高能率単分子オードメトリーアルゴリズムを提案する。また、相対翻訳情報行列の主成分分析に基づいて、スケールドリフトの現在のリスクを推定する新しい手法を提案する。
論文参考訳（メタデータ） (2021-09-12T12:52:20Z)
OpenStreetMap: Challenges and Opportunities in Machine Learning and Remote Sensing [66.23463054467653]
本稿では,OpenStreetMapデータの改良と利用のための機械学習に基づく最近の手法について述べる。私たちは、OSMがリモートセンシングデータの解釈方法を変え、機械学習とのシナジーが参加型マップ作成をスケールできると考えている。
論文参考訳（メタデータ） (2020-07-13T09:58:14Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。